分散型光ファイバー侵入検知のための動的プロトタイプによる説明可能な少数ショット学習

科学分野:

• サイバーセキュリティ
• 機械学習
• 信号処理

背景:

• 侵入検知システム（IDS）は、インフラストラクチャセキュリティにとって非常に重要です。
• 分散型光ファイバー振動センシング（DVS）は、境界セキュリティを提供しますが、限られたデータとモデルの解釈可能性に苦労しています。
• 既存の深層学習モデルは、多くの場合、透明性を欠いており、信頼を妨げています。

研究 の 目的:

• DVSシステムの侵入検知フレームワークを開発すること。
• データ不足（少数ショット学習）とモデルの解釈可能性の課題に対処すること。
• 境界セキュリティソリューションの信頼性と信頼性を向上させること。

主な方法:

• 説明可能なデュアルブランチ特徴融合動的クラス中心プロトタイプネットワーク（DBFF-DC-ProtoNet）を提案しました。
• 時間的および時間周波数特徴抽出のために軽量デュアルブランチ1-D ResNetを利用しました。
• 動的クラス中心更新戦略、新しい損失関数、および説明可能性モジュール（Proto-CAM、ケースベース推論）を統合しました。

主要な成果:

• ベンチマークデータセットで5ショット設定で高い精度（97.22％および98.33％）を達成しました。
• 弁別的プロトタイプのための時間的および時間周波数特徴の効果的な融合を実証しました。
• 微細な信号の帰属と直感的なケース検索を示し、説明可能性を高めました。

結論:

• DBFF-DC-ProtoNetは、DVS侵入検知のための少数ショット学習と解釈可能性を効果的に結びつけました。
• 提案されたモデルは、ラベル付きデータが限られている境界の保護に実用的で信頼性の高いソリューションを提供します。
• このフレームワークは、侵入検知システムのパフォーマンスと透明性の両方を向上させます。